Hadoop 之 Secondary Sort介绍<转>

Hadoop 之 Secondary Sort介绍

---------------------------

我们知道，在reduce之前，MP框架会对收到的<K,V>对按K进行排序，而对于一个特定的K来说，它的List<V>是没有被排过序的，就是说这些V是无序的，因为它们来自不同的Map端，而且很多应用也不依赖于K所对应的list<V>的顺序，但是有一些应用就要就要依赖于相同K的V的顺序，而且还要把他们聚合在一起，下面会提出这样一个问题，是参考Hadoop The Defiinitive Guide的第八章。

1. 问题的提出

对于如下数据，我们要计算出每一年的最高温度值：

[html] view
plaincopy

(1900,34)

(1900,32)

....

(1950, 0)

(1950, 22)

(1950, −11)

(1949, 111)

(1949, 78)

计算结果可能如下：

[html] view
plaincopy

1901 317

1902 244

1903 289

1904 256

...

1949 111

我们一般的方法是把key设置成年份，把value设置成温度，在reduce的时候去遍历所有相同key的value值，找出最大的那个值，在Reduce返回的时候，只collect这个最大的值，这是一种办法，但是这种办法在效率上相对比较差，也不够灵活，下面我们来看看怎么使用Secondary Sort来解决这个问题

2. Secondary Sort

Secondary Sort 实际上就是一种对Value进行二次排序，然后按key的特定部分进行聚合的方法，这里用到了一个组合Key的概念，就是把K与要排序的Value组合在一起，生成一个新的Key值，上面的例子中，新的组合key为<1900,32>，也就是<年份，温度>的组合，(1900, 35°C)，(1900, 34°C)，这样组合以后，生成一个新的key，但是这样组合以后，它们会被切分到不同的Reduce上，所以我们这里要写一个根据新组合的key的第一个参数（年份）来进行相应的partitioner，在JobConf中可以使用setPartitionerClass来进行设置，这样可以解决相同年份的key会被聚合在同一个Reduce上，但是还没有解析在同一个Reduce上，把部分key相同的记录聚合(group)在一起，所以这里我们要设置一个group的比较器，这样就可以把相同年份的记录聚合在一起，但对于相同key(这里是指key中第一个参数相同)的排序问题，我们要使用一个KeyComparator比较器来做，就是在group中对key进行二次排序，在上面例子中就是按key中第二个参数温度来降序排序,这里要注意的是这里的输入是key，而不是value，这就是我们为什么把value组合在key一起的原因，而写这个比较方法的时候，还要注意一定要符合Group方法的原因，如果group是按key的第一个参数来得，那这里key的比较就要在第一个参数相同的情况下，才能会第二个参数(value)进行比较，我想这里解释了为什么这种排序叫Secondary
Sort的原因吧，在上面的例子中，key的比较是先比较第一个参数(年份)，如果第一个参数相同，再比较第二个参数(温度),按第二个参数降序排列。

所以一般要使用Secondary Sort，在JobConf要配置这三个参数

setPartitionerClass // 这个是用来设置key的切分，上面例子中是按key中的第一个参数来切分
setOutputValueGroupingComparator // 这里设置group，就是按key的哪一个参数进行聚合，上面的例子中也是按第一个参数年份进行聚合
setOutputKeyComparatorClass // 这个是设置key的比较器，设置聚合的key的一个二次排序方法

3. 代码分析

[html] view
plaincopy

Example 8-9. Application to find the maximum temperature by sorting temperatures in the key





public class MaxTemperatureUsingSecondarySort extends Configured implements Tool {





// Map任务

static class MaxTemperatureMapper extends MapReduceBase implements Mapper<LongWritable, Text, IntPair, NullWritable> {

private NcdcRecordParser parser = new NcdcRecordParser();

public void map(LongWritable key, Text value,

OutputCollector<IntPair, NullWritable> output, Reporter reporter)

throws IOException {

parser.parse(value); // 解析输入的文本

if (parser.isValidTemperature()) {

// 这里把年份与温度组合成一个key,value为空

output.collect(new IntPair(parser.getYearInt(),+ parser.getAirTemperature()), NullWritable.get());

}

}

}





// Reduce任务

static class MaxTemperatureReducer extends MapReduceBase

implements Reducer<IntPair, NullWritable, IntPair, NullWritable> {

public void reduce(IntPair key, Iterator<NullWritable> values,

OutputCollector<IntPair, NullWritable> output, Reporter reporter)

throws IOException {

// 输出聚合的key值，这里的key是先按年份进行聚合，所我们会看到相同所有年份相同的key会聚合在一起，而这些聚合后的key按温度进行降序按列

// 所以聚合中第一个key为温度最高的，所以这里输出的key为这一年中温度最高的值

output.collect(key, NullWritable.get());

}

}





// 切分器，这里是按年份* 127 % reduceNum来进行切分的

public static class FirstPartitioner

implements Partitioner<IntPair, NullWritable> {

@Override

public void configure(JobConf job) {}

@Override

public int getPartition(IntPair key, NullWritable value, int numPartitions) {

return Math.abs(key.getFirst() * 127) % numPartitions;

}

}





// 聚合key的一个比较器

public static class KeyComparator extends WritableComparator {

protected KeyComparator() {

super(IntPair.class, true);

}

@Override

public int compare(WritableComparable w1, WritableComparable w2) {

IntPair ip1 = (IntPair) w1;

IntPair ip2 = (IntPair) w2;

// 这里要注意的是，一定要在聚合参数相同的情况下，再比较另一个参数

// 这里是先比较年份，再比较温度，按温度降序排序

int cmp = IntPair.compare(ip1.getFirst(), ip2.getFirst());

if (cmp != 0) {

return cmp;

}

return -IntPair.compare(ip1.getSecond(), ip2.getSecond()); //reverse

}

}

// 设置聚合比较器

public static class GroupComparator extends WritableComparator {

protected GroupComparator() {

super(IntPair.class, true);

}

@Override

public int compare(WritableComparable w1, WritableComparable w2) {

IntPair ip1 = (IntPair) w1;

IntPair ip2 = (IntPair) w2;

// 这里是按key的第一个参数来聚合，就是年份

return IntPair.compare(ip1.getFirst(), ip2.getFirst());

}

}

@Override

public int run(String[] args) throws IOException {

JobConf conf = JobBuilder.parseInputAndOutput(this, getConf(), args);

if (conf == null) {

return -1;

}

conf.setMapperClass(MaxTemperatureMapper.class);

conf.setPartitionerClass(FirstPartitioner.class); // 设置切分器

conf.setOutputKeyComparatorClass(KeyComparator.class); // 设置key的比较器

conf.setOutputValueGroupingComparator(GroupComparator.class); // 设置聚合比较器

conf.setReducerClass(MaxTemperatureReducer.class);

conf.setOutputKeyClass(IntPair.class); // 设置key的一个组合类型，如里这个类型实现了WritableComparable<T>的话，那就不要设置setOutputKeyComparatorClass了.

conf.setOutputValueClass(NullWritable.class); // 输出的value为NULL，因为这里的实际value已经组合到了key中

JobClient.runJob(conf);

return 0;

}





public static void main(String[] args) throws Exception {

int exitCode = ToolRunner.run(new MaxTemperatureUsingSecondarySort(), args);

System.exit(exitCode);

}

}

输出结果如下：

[html] view
plaincopy

% hadoop jar job.jar MaxTemperatureUsingSecondarySort input/ncdc/all \

> output-secondarysort

% hadoop fs -cat output-secondarysort/part-* | sort | head

1901 317

1902 244

1903 289

1904 256

1905 283

1906 294

1907 283

1908 289

要注意的是有时候用户会存储这些value，所以你要在Map的时候输出这些value，而不是上面的NULL，而输出的这些value是经过排序的。